使用Python / NumPy对图像阈值进行矢量化

Question

我一直在尝试找到一种更有效的方法来遍历图像并在阈值上拆分其属性。 在网上搜索并与一些编程朋友讨论时，他们向我介绍了矢量化（特别是使用numpy）函数的概念。 经过大量的搜索和反复试验后，我似乎无法理解它。 可以给我一个链接，或建议如何使以下代码更高效吗？

Im = plt.imread(img)
Imarray = np.array(Im)
for line in Imarray:
    for pixel in line:
        if pixel <= 20000:
            dim_sum += pixel
            dim_counter += 1
        if pixel > 20000:
            bright_sum += pixel
            bright_counter += 1
bright_mean = bright_sum/bright_counter
dim_mean = dim_sum/dim_counter

基本上，每个像素的亮度量在0到30000之间，而我试图分别平均所有低于20000和高于20000的像素。 我知道如何做到这一点的最好方法是使用for循环（在python中很慢）并使用if语句搜索每个像素。

Answer 1

NumPy通过其arrays和ufuncs支持并鼓励矢量化。 在您的情况下，您有一个NumPy数组作为输入图像。 因此，这些比较可以单向/矢量化的方式进行，以提供形状与输入数组相同的布尔数组。 这些布尔数组用于索引输入数组时，将从其中选择有效元素。 这称为boolean-indexing并在这种向量化选择中形成关键特征。

最后，我们使用NumPy ndarray.mean再次以矢量化方式运行，以向我们提供所选元素的平均值。

因此，要将所有这些内容放入代码中，我们将-

bright_mean, dim_mean = Im[Im > 20000].mean(), Im[Im <= 20000].mean()

对于此特定问题，从代码效率的角度来看，一次执行比较会更有意义。 比较将为我们提供一个布尔数组，该数组可以在以后使用两次，一次就这样，第二次反转。 因此，我们可以选择-

mask = Im > 20000
bright_mean, dim_mean = Im[mask].mean(), Im[~mask].mean()